Die Identifikation der Funktionen von Stadtvierteln ist eine wichtige Grundlage für Stadtplanung und -management. Mit der Beschleunigung der Urbanisierung reicht die Einteilung in reine Nutzungsarten nicht mehr aus, um den Anforderungen komplexer städtischer Räume gerecht zu werden. Als Ausdruck der multifunktionalen Integration einer Stadt ist die Erkennung von Mischfunktionsvierteln, insbesondere die automatische Erkennung, von großer Bedeutung für das Verständnis der funktionalen Vielfalt in Städten und die Steigerung der Flächeneffizienz. Vor diesem Hintergrund basiert dieser Artikel auf den in offenen Interessengebieten (AOI) und Points of Interest (POI) enthaltenen Funktionsetiketten, kombiniert offene Karten (OSM) und Sentinel-2-Bilder und schlägt eine Methode zur automatischen Extraktion reiner und gemischter Funktionsproben vor, um dann mit dem ResNet34-Modell eine spezifische Funktionsidentifikation der Viertel durchzuführen. Zunächst wird mittels Entropie der POI-Verteilung zwischen Einzelfunktions- und Mischnutzungsvierteln unterschieden. Anschließend wird basierend auf Sentinel-2-Bildern und Einzelnutzungsbodenproben ein Multi-View-Differenzlernmodul zur weiteren Extraktion von Einzel- und Mischklassenproben entwickelt. Zudem wird aufgrund der Skalendifferenzen zwischen AOI und realen Vierteln das automatische Probenextraktionsschema auf beide Einheiten (AOI und Viertel) angewandt, um die Anzahl sowie die skalenmäßige Vielfalt der Proben zu erhöhen. Die vorgeschlagene automatische Klassifizierungsmethode erzielte Gesamtgenauigkeiten von 72,9 %, 78,3 %, 73,4 % und 75,1 % in den Städten Peking, Hefei, Weifang und Chengdu. Im Vergleich zur Methode, die nur die POI-Entropie verwendet, steigerte die Kombination aus AOI und POI die Erkennungsgenauigkeit der Mischkategorie um 7 %, 18 %, 20 % bzw. 13 %. Diese Ergebnisse bestätigen die Machbarkeit und Effektivität der Methode in unterschiedlichen städtischen Umgebungen sowie das Potenzial der Kombination von Crowdsourcing-Geodaten und Fernerkundungsbildern in der Forschung zur Nutzung urbaner Viertel, insbesondere bei der Erkennung von Mischnutzungen.

Mischfunktionenviertel; Sentinel-2-Bilder; Deep Learning; Points of Interest; Areas of Interest; städtische Funktionszonen; Multi-View-Learning